给AI Agent装上联网搜索：三步实现带来源的回答

AI Agent 的知识截止日期问题，一直是用好大模型的一道坎。一个只靠训练数据回答问题的 Agent，面对"最近发生了什么"这类提问往往只能给出过时信息或直接拒答。而联网搜索能力，正是打破这堵墙的关键。

这段短片（Ep 18: An Agent That Searches the Web）用极简的方式演示了如何让 Agent 具备联网搜索并附带来源链接的能力，整个过程不需要写任何爬虫代码。对正在搭建 Agent 应用的开发者来说，这是一个可以直接复用的最小可行方案。

搜索能力是 Agent 的"外挂知识库"

传统做法里，要让模型联网，往往需要自己写爬虫抓取网页、清洗正文、再塞进 prompt。这套流程维护成本高，遇到反爬或页面结构变化就得反复修补。视频给出的思路是：把搜索当作一个内置工具，直接从 SDK 导入即可。

据视频演示，web search 工具是 Agent SDK 自带的，导入后加入工具列表，Agent 便能自主决定何时搜索、搜索什么。这意味着开发者把精力放在提示词和任务编排上，抓取与解析的脏活交给工具层处理。

从Agent SDK导入web search工具

这种内置工具的价值在于开箱即用。它把搜索行为标准化为一个可调用的函数，而不是一段需要维护的脚本。对快速验证想法的原型开发尤其友好。

Agent SDK 通常指面向 AI Agent 开发的软件开发工具包，提供模型调用、工具注册、任务编排等基础能力，开发者通过引入其中的工具即可扩展 Agent 的能力边界。

所谓"工具调用"，是大模型在推理过程中主动请求执行外部函数的一种机制：模型输出结构化的调用意图，运行时执行该函数并把结果回传给模型继续作答。搜索工具正是以这种形式接入，Agent 无需预先内置所有知识，而是按需检索。

整个配置流程可以拆成三个动作。

第一步，导入工具。 从 Agent SDK 中引入 web search 能力，这一步是纯代码层面的 import，不涉及任何外部服务的额外配置。

第二步，注册到工具列表。 把搜索工具加入 Agent 可调用的工具集合中，Agent 在推理时就能把它当作一个选项。

第三步，施加输出约束。 在指令中明确要求 Agent 为每一个观点附上来源链接。这一步是让搜索能力真正产生可信度的关键——搜索本身只保证信息新鲜，附来源才让结论可追溯。

将搜索工具加入工具列表并约束来源输出

说个细节，约束"每个观点都要带链接"会显著改变 Agent 的行为模式。它不再只追求给出答案，而是要在回答中显式标注依据。这对需要核查的场景（比如资料整理、竞品调研）很有用。

视频中的验证方式是直接问一个时效性强的问题。Agent 会先发起搜索，读取返回的结果，再组织语言并附上对应链接。整个过程对用户是透明的——你看到的是一个带引用的回答，而非黑箱结论。

Agent搜索、读取结果并返回带链接的回答

这种"搜索—读取—作答"的链路，和人类查资料的方式接近：先检索，再筛选，最后综合。区别在于 Agent 的速度更快，但筛选质量仍依赖搜索源和提示词设计。

视频里最值得记住的一句话是：搜索让答案更"新鲜"，而不是更"完美"。也就是说，联网解决了信息过时问题，但没有解决信息真伪问题。搜索结果本身可能是错的、过时的、甚至是误导性的。

搜索提升新鲜度但不替代事实核查

因此视频明确建议：仍然要点开那些链接，在信任之前自行核实。事实核查者的角色依然在人这边。这个提醒恰好点出了当前 Agent 应用的边界——它可以加速信息获取，但不该被当作最终裁判。

这段内容属于一个系列教程，结尾预告了下一集主题：多个 Agent 协同工作。从单个联网 Agent 到多 Agent 协作，是能力叠加的自然路径——一个负责搜索、一个负责分析、一个负责输出，各司其职。

对开发者而言，先把单个 Agent 的搜索与引用能力打磨稳定，再考虑拆分为多 Agent 架构，是更稳妥的演进顺序。内置搜索工具降低了第一步的门槛，让"会查资料的 Agent"可以在很短时间内跑起来。